論文の概要: RAPID: Robot Agentic Programming from Demonstrations

• arxiv url: http://arxiv.org/abs/2609.30249v1
• Date: Thu, 24 Sep 2026 17:58:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.207008
• Title: RAPID: Robot Agentic Programming from Demonstrations
• Title（参考訳）: RAPID: デモからロボットエージェントプログラミング
• Abstract要約: この研究は、ロボットプログラムを自動生成し、検証し、洗練するロボットエージェントプログラミング(RAPID)を導入している。 すべての実験において、RAPIDはオブジェクトのポーズ、形状、材料、環境を一般化し、強い性能を示した。
• 参考スコア（独自算出の注目度）: 47.78221527883912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coding agents have demonstrated enormous success in solving complex programming problems. To leverage their potential for robot systems, this work introduces Robot Agentic Programming from Demonstrations (RAPID), which automatically generates, verifies, and refines robot programs, given a single visual human demonstration. The iterative agentic loop of code refinement requires several key ingredients: (i) a testable task specification, (ii) action primitives for robot execution, and (iii) an interactive environment for program execution and verification. RAPID infers all three from the demonstration automatically. To make the resulting program reusable beyond the demonstration setting, RAPID uses an object-centric relational program representation that focuses on the underlying structure of the demonstrated strategy rather than the specific motion per se: it expresses the action primitives as trajectory-optimization programs that realize object-level motion effects, while composing them through relational constraints that capture scene-specific geometry at run time. We evaluated RAPID in simulation on eight challenging contact-rich nonprehensile manipulation tasks as well as general prehensile manipulation tasks in the LIBERO-Pro benchmark. We also successfully deployed it on a real Franka arm and evaluated on all eight nonprehensile tasks. In all experiments, RAPID demonstrated strong performance, with generalization over object pose, shape, material, and environment. Website: https://yuyaoliu.me/projects/rapid.
• Abstract（参考訳）: 符号化エージェントは複雑なプログラミング問題の解決に大きく成功している。 ロボットシステムのポテンシャルを活用するために、この研究はロボットエージェントプログラミング(Robo Agentic Programming from Demonstrations, RAPID)を導入し、ロボットプログラムを自動生成し、検証し、洗練する。 コードリファインメントの反復的なエージェントループには、いくつかの重要な要素が必要です。 (i)テスト可能なタスク仕様 二 ロボット実行のためのアクションプリミティブ、及び (iii)プログラム実行と検証のための対話型環境。 RAPIDはデモから3つすべてを自動的に推測する。 RAPIDは、オブジェクトレベルの動作効果を実現するための軌跡最適化プログラムとしてアクションプリミティブを表現し、実行時にシーン固有の幾何学をキャプチャするリレーショナル制約によって構成する。 我々は, LIBERO-Proベンチマークにおいて, 8つの難易度の高い非包括的操作タスクと一般包括的操作タスクのシミュレーションでRAPIDを評価した。 また、実際のフランカのアームに配置し、8つの非包括的タスクすべてを評価しました。 すべての実験において、RAPIDはオブジェクトのポーズ、形状、材料、環境を一般化し、強い性能を示した。 ウェブサイト:https://yuyaoliu.me/projects/rapid.com

関連論文リスト

• Agent as Policy for Robotic Manipulation [27.777226380588928]
  我々はエージェント・アズ・ポリシーを導入し、エージェントの制御下でタスク・プランニングと実行を行う。 本研究では,複数の実世界の操作タスクに対して,高精度な操作,動的動作,変形可能なオブジェクトを対象とするAGPについて検討する。 AGPは、評価されたタスク構成ごとに少なくとも10のトライアルのうち8つを成功させる。
  論文  参考訳（メタデータ） (2026-09-11T07:51:39Z)
• SparTa: Sparse Graphical Task Models from a Handful of Demonstrations [18.00619071013106]
  我々は、ロボットがタスクで達成すべきことを、どのように行うべきかではなく、推測することに集中する。 本稿では、一連の操作グラフを抽出し、オブジェクト状態上の分布を推定するデモセグメンテーションとプーリング手法を提案する。 シミュレーションと実ロボットの両方に適合したモデルをデプロイし、結果のタスク表現が環境全体にわたって信頼性の高い実行をサポートすることを示す。
  論文  参考訳（メタデータ） (2026-02-18T21:54:35Z)
• Generalizable Geometric Prior and Recurrent Spiking Feature Learning for Humanoid Robot Manipulation [90.90219129619344]
  本稿では,スパイキング機能を備えたR-prior-S, Recurrent Geometric-priormodal Policyを提案する。 物理的現実の高レベル推論を基礎として、軽量な2次元幾何学的帰納バイアスを利用する。 ロボット行動生成におけるデータ効率問題に対して,再帰的適応スパイクネットワークを導入する。
  論文  参考訳（メタデータ） (2026-01-13T23:36:30Z)
• Coarse-to-fine Q-Network with Action Sequence for Data-Efficient Robot Learning [62.3886343725955]
  本稿では,行動列上のQ値を出力する批判ネットワークを学習する,新しい値に基づく強化学習アルゴリズムを提案する。 実験により、CQN-ASは、様々なスパース逆ヒューマノイド制御およびテーブルトップ操作タスクにおいて、いくつかのベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-19T01:23:52Z)
• ReKep: Spatio-Temporal Reasoning of Relational Keypoint Constraints for Robotic Manipulation [31.211870350260703]
  キーポイント制約(キーポイント制約、英: Keypoint Constraints)は、ロボット操作における制約を視覚的に表現した表現である。 ReKepはPython関数として表現され、環境の3Dキーポイントのセットを数値的なコストにマッピングする。 車輪付きシングルアームプラットフォームと静止式デュアルアームプラットフォーム上でのシステム実装について述べる。
  論文  参考訳（メタデータ） (2024-09-03T06:45:22Z)
• SAM-E: Leveraging Visual Foundation Model with Sequence Imitation for Embodied Manipulation [62.58480650443393]
  Segment Anything (SAM) は、一般化可能なシーン理解とシーケンス模倣のための視覚境界モデルである。 我々は,単一パスにおけるアクションシーケンスの予測を可能にする,新しいマルチチャネルヒートマップを開発した。
  論文  参考訳（メタデータ） (2024-05-30T00:32:51Z)
• Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks [54.60571399091711]
  大きな言語モデル(LLM)は、オープン語彙タスクを実行するロボットエージェントを作成することで、驚くべき成果を上げている。 LLMを用いた部分的に観測可能なタスクのための対話型計画手法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T22:54:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。